5、利用人工智能进行低光和黑暗图像增强以实现目标检测

利用人工智能进行低光和黑暗图像增强以实现目标检测

1. 背景与需求

在当今各领域，基于计算机视觉的人工智能解决方案需求旺盛，像目标检测、故障检测、环境描述和场景预测等方案，正助力解决诸多现实问题。然而，这些方案依赖于视觉计算，通常这类计算是在每帧环境可见的情况下进行的。但在黑暗环境中，相机捕获的光子数量急剧减少，环境可能变得不可见，此时依赖环境可见性的系统任务将无法完成。

随着使用视觉数据的人工智能解决方案不断增加，处理低光或黑暗图像并从中提取有效信息变得至关重要。例如在远程现场协助技术中，现场人员可能需要在光照条件不佳的地方工作，如地下作业场景，这就要求图像增强技术能使计算机视觉智能系统正常执行任务。同时，整个应用需能在智能手机或平板电脑等单一设备上运行，从图像增强到目标检测都能顺利完成。

2. 现有系统挑战与图像增强的必要性

现有的现场协助系统，如目标检测和机器状态预测等，大多是在光照良好的条件下训练和执行任务的。在低光条件下，基于计算机视觉算法的现场协助任务会失败。因为计算机视觉智能系统通过图像像素和训练模型计算输出，图像中的噪声（肉眼可能难以察觉）会导致错误输出。所以，低光图像增强应得到低噪声的平滑图像，以保证目标检测的准确性。

早期增强低光图像的方法包括调整对比度，但会增加噪声；之后采用各种滤波方法去噪，但自然低光图像仍存在影响目标检测和动作预测的噪声。后来，多层感知、小波变换、Retinex模型、卷积神经网络和自动编码器 - 解码器模型等方法相继出现。其中，自动编码器 - 解码器模型在低光图像增强方面表现出色，它以低光图像为输入，输出平滑且噪声低的增强图像。

3. 相关工作方法